地学观测网络是地球系统科学研究、模拟与决策管理的基石,也是监测环境变化的重要技术手段。观测数据的质量和数量,直接关系着地学模拟、管理决策、专题制图等方面的具体应用,特别是当今生产与生活中对准确、实时地表现环境观测变量的空间分布特征以及未来变化趋势信息的需求,例如空气污染、气温变化等。在全球气候变化与资源匾乏、环境恶化的背景下,对地学观测数据蕴含的时空信息分析与应用研究成为了地学领域所关注的焦点。　　 自然系统作为地学研究对象,错综复杂,不仅耦合了多个系统的交互作用,而且各个系统之间也存在着错综复杂的联系。目前还不能完全的用数学物理方程严格描述或定义各个系统的变化过程,尤其是确定地学因子的未来趋势和时空变化特征。因此,地学观测数据分析与应用需要结合新方法和新理论。而人工神经网络和小波分析理论作为两种高效数据分析与预测的方法,日益受到人们的重视。　　 人类在其大脑神经网络认识理解的基础上,构造了能够实现某种功能的神经网络,即人工神经网络。它是理论化的人脑神经网络的数学模型和信息处理系统,其既能模拟人的识别、判断、联想和决策能力,又能对高度复杂非线性问题进行快速计算求解。人工神经网络具有高度的并行性和非线性、良好的容错性、强大的适应性和学习功能等特点,是其成为了人工智能的一个重要研究方向,并在许多实际应用领域中取得了显著的成效。　　 20世纪80年初兴起的小波分析作为一种优异的时频分析方法,不但在时域和频域同时具有良好的局部化性质,具体表现为:在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率,从而可以聚集到对象的任意细节,使其成为了数据信号分析的“显微镜”,也是继一百多年前发明傅立叶分析之后的～个重大突破。小波分析对许多古老的自然学科和新兴的高新技术应用学科都产生了强烈冲击,已成为地球物理、信号处理、图像处理、理论物理等诸多领域的强有力工具。　　 本文将小波分析和神经网络应用到地面台站观测数据的时空分析上,不仅扩展了其应用领域,而且为数据时空变化规律的挖掘提供了新的尝试与实践。本文分别在台站观测数据的时间序列分析和空间分布模拟上,选取了两个研究区域作为应用研究的案例,其分别介绍如下:　　 ●水文观测数据分析与预测　　 水文观测数据由于受气候、流域特征、社会发展以及人类活动的综合影响,具有大量的不确定性和复杂性,表现出多时间尺度性、随机性、突变性、非线性等特性。为了获知数据中的隐含信息,本文选取黄河源区出口控制站唐乃亥水文站的观测数据作为研究案例,对其年径流量的变化特征、趋势等进行了分析,并构造了小波与神经网络的动态组合模型对其变化趋势进行了预报。通过验证可知,所建立的模型具有较高的精度。该案例的结论不仅可推广到其它地学观测变量的分析预测中去,为其提供理论和实践参考依据,而且通过本案例的研究可为水资源的合理管理与利用提供可靠的决策信息,提高其经济效益和社会效益。　　 ●气候因子的空间分布模拟　　 针对空间连续观测变量的空间数据制备和应用需求,本文选取中国西北地区的气温观测数据,作为研究案例。建立以气温影响因子为输入的BP网络模型来对月均气温的空间分布进行模拟与分析,并与常用的空间插值模型进行对比分析,其中包括反距离权重法、样条函数、径向基函数、以及克里格。通过预留50个台站的观测数据检验这些模型的精度。结果显示:随着输入因子的不同组合,BP网络模拟精度有较大的波动。环境因子对BP模型的影响最为重要。相比之下常规的空间插值模型的精度则较低,其中薄板样条函数精度则相对较优。